几乎让大模型全军覆没的新难题——看时钟，被国产 AI 给拿下了。

要知道，之前单单是一张时钟的图表，几乎所有大模型都答不对时间。

但现在，国产 AI 却可以直接开视频，实时报准时间！

可以看到，这个国产 AI 先是准确地报出了"4 点 14 分 "，而在等了一分钟后，它也是可以再次准确报时"4 点 15 分 "。

那么这到底是何许 AI 也？

不卖关子，它就是豆包发布的新功能——视频通话。

主打一个让 AI边看边聊天。

而且啊，它还是接入了联网搜索的功能，所以回答的准确性和时效性这块也是拿捏到位了。

例如我们对着微博热搜的话题提个问题：

这个热搜第一的是什么新闻呀？

可以看到，联网的豆包在视频通话的过程中，就可以直接把当下的新闻热点给你总结出来。

不得不说，这种跟 AI 的互动，不论是趣味性还是可靠性，都大大地增强了。

除此之外，这次的新功能还增加了" 字幕 "的选项，点击之后就可以看到之前对话的具体内容啦 ~

既然这个功能如此有趣，那我们必须安排一波深度实测。

来，走起 ~

跟豆包一块看《甄嬛传》

我们先来简单介绍一下视频通话的操作方式。

打开豆包 App 之后，依次点击" 对话 "→"+ 号 "→" 打电话 "→" 开启视频通话 "即可：

我们的第一个实测，就是看看豆包能不能成为一个看剧搭子，能跟你边看视频边聊剧情。

有请《甄嬛传》：

豆包在看视频的瞬间，立马辨别出这是《甄嬛传》，并且分析出了这个名场面：

祺贵人就是想借着皇后的手扳倒甄嬛呢。

不仅如此，它还是个有态度的 AI，超级不看好祺贵人这个角色：

她太心急又没脑子，最后肯定不会得逞的……根本不是甄嬛的对手。

整体来看，豆包称得上是个合格的看剧搭子了。

接下来，我们再来看看豆包视频通话在生活场景中能不能帮上忙。

例如我们给它看几个食材，然后提问：

拿这些食材我能做什么菜啊？

豆包不仅秒识别出食材，还把炒菜的步骤、调味品等特别详细地讲解了一番。

以后要是遇到不会做的菜，是可以用视频通话的方式问问豆包了。

类似的，我们让它再看看一道物理题：

帮我看下第 4 题怎么做？

豆包准确地识别出题目，然后立马开始作答，把整个题目的求解过程详尽地说了出来，最后给出了正确答案：A。

不仅是物理题，现在直接让豆包看论文、代码，它也能帮你答疑解惑哦 ~

一番实测下来，豆包视频通话功能，整体直观的感受就是：有用，好用。

不只是看，还有思考

豆包视频通话功能背后，其实是豆包 · 视觉理解模型在发力。

豆包・视觉理解模型拥有非常强的内容识别能力，它就像一个敏锐的 " 眼睛 "，能够精准识别图像中的各种要素。

从基本的物体类别、形状、纹理，到物体之间的关系、空间布局以及场景的整体含义，甚至背后的文化知识，都能被其敏锐捕捉。

例如，它不仅可以轻松识别现实中的常见物品，还能根据光影、轮廓、位置等特征，准确识别出小动物的影子并判断出这是一只猫。

再如，当用户在清晨跑步时，看到光线从树林间洒出来，随手拍张照片询问豆包大模型，它能迅速识别出这是丁达尔效应，并详细科普其原理。

这种强大的内容识别能力，让 AI 能够更好地理解现实世界的视觉信息，为后续的理解和推理奠定了坚实基础。

理解推理能力是豆包・视觉理解模型的又一核心优势。

它不仅能识别图文信息，还能进行复杂的逻辑计算，在多个领域展现出了强大的解决问题的能力。

在教育场景中，拍下一道需要进行微积分运算的数学题，模型能很好地理解图片问题，并根据提示词进行对应的推理计算，给出清晰的答题思路，帮助学生更好地理解和解决数学难题。

除了识别与理解推理能力，豆包・视觉理解模型还拥有非常细腻的视觉描述和创作能力。

这也就不难理解为什么豆包视频通话能做到又快又准又好。

总而言之，AI 和人类交互的方式变得越来越有趣了。

参考链接：

https://arxiv.org/pdf/2502.05092

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见